vector - 转换为 TFIDF 值向量的相似文档在向量空间中看起来如何

Question

这可能是一个奇怪的问题，但我忍不住想知道。如果我说有三个文档:

• d1 =“我叫斯特凡。”
• d2 =“我叫大卫。”
• d3 =“你好，你好吗？”

如果我将所有这 3 个文档转换为 TFIDF 值向量，在向量空间中，文档 d1 和 d2 是否会更接近例如，彼此记录 d2 和 d3 ？抱歉，如果这是一个愚蠢的问题，但我真的很想以某种方式形象化这一点，以便更好地理解它。预先感谢您!

Answer 1

是的，他们会更接近。

演示:

In [21]: from sklearn.feature_extraction.text import TfidfVectorizer

In [22]: from sklearn.metrics.pairwise import cosine_similarity

In [23]: tfidf = TfidfVectorizer(max_features=50000, use_idf=True, ngram_range=(1,3))

In [24]: r = tfidf.fit_transform(data)

In [25]: s = cosine_similarity(r)

In [26]: s
Out[26]:
array([[1.        , 0.53634991, 0.        ],
       [0.53634991, 1.        , 0.        ],
       [0.        , 0.        , 1.        ]])

In [27]: data
Out[27]: ['My name is Stefan.', 'My name is David.', 'Hello, how are you?']